基于无网格EFGM和FNN的各向异性多材料结构拓扑优化方法技术

本发明专利技术公开了基于无网格EFGM和FNN的各向异性多材料结构拓扑优化方法，步骤为：(1)输入各向异性材料的泊松比、杨氏模量和方向角等材料属性，利用无网格EFGM节点离散设计域；(2)确定网络深度、每层神经元个数和学习率等网络参数，搭建全连接网络模型；(3)无网格节点坐标作为网络输入，预测无网格节点密度；(4)建立结构静力学问题的无网格EFGM离散控制方程；(5)建立基于无网格EFGM和FNN的各向异性多材料结构拓扑优化的数学模型；(6)根据当前拓扑结构柔度和体积定义损失函数；(7)执行网络训练，使用反向传播更新网络参数；(8)输入终止条件，判断算法是否收敛。本发明专利技术基于无网格EFGM和FNN的各向异性多材料结构拓扑优化方法，计算效率高，拓扑结构的边界清晰，简单实用。

【技术实现步骤摘要】

本专利技术属于计算机辅助工程中的结构优化设计领域，具体涉及一种无网格迦辽金法(element-free galerkin method,efgm)和全连接前馈神经网络(fully connectedfeedforward neural network,fnn)的各向异性多材料结构拓扑优化方法。

技术介绍

1、在工程结构设计中，传统的单材料结构已经难以满足在复杂载荷、多物理场耦合等工况下的综合性能需求。多材料结构设计通过在不同区域引入力学性能各异的材料，使结构在刚度、强度、质量、热导性及振动抑制等方面实现性能互补与功能集成。相比于考虑单一材料的结构拓扑优化，多材料结构拓扑优化可以针对特定载荷条件和功能需求，灵活配置材料，以提升强度、减轻重量并提高结构的抗疲劳等性能。在航空航天、汽车和消费电子等领域，多材料结构的拓扑优化已被广泛应用，推动了更轻、更强和更具功能性的设计方案的实现。此外，各向异性材料在拓扑优化中的优势主要体现在其能够根据不同方向的力学性能进行精确设计，从而实现更优的结构性能。通过拓扑优化，可以充分利用各向异性材料的特性，优化结构的形状和材料分布，本文档来自技高网...

【技术保护点】

1.基于无网格EFGM和FNN的各向异性多材料结构拓扑优化方法，其特征在于包括以下步骤：

2.根据权利要求1所述基于无网格EFGM和FNN的各向异性多材料结构拓扑优化方法，其特征在于确定神经网络层数、每层神经元个数、激活函数类型、网络学习率，搭建全连接前馈神经网络，初始化神经网络的权重和偏置，神经网络参数由所有层的权重矩阵w和偏置矩阵b构成式中w＝[w1,w2,...,wn]，b＝[b1,b2,...,bn]，wn表示与第n层神经元相关的权重，bn表示与第n层神经元相关的偏置；将无网格EFGM节点坐标作为全连接前馈神经网络的输入，预测基于无网格EFGM和FNN的各向异性多材料...

【技术特征摘要】

1.基于无网格efgm和fnn的各向异性多材料结构拓扑优化方法，其特征在于包括以下步骤：

2.根据权利要求1所述基于无网格efgm和fnn的各向异性多材料结构拓扑优化方法，其特征在于确定神经网络层数、每层神经元个数、激活函数类型、网络学习率，搭建全连接前馈神经网络，初始化神经网络的权重和偏置，神经网络参数由所有层的权重矩阵w和偏置矩阵b构成式中w＝[w1,w2,...,wn]，b＝[b1,b2,...,bn]，wn表示与第n层神经元相关的权重，bn表示与第n层神经元相关的偏置；将无网格efgm节点坐标作为全连接前馈神经网络的输入，预测基于无网格efgm和fnn的各向异性多材料结构的节点相对密度场式中为各节点密度组成的矩阵s表示设计域中的无网格efgm节点数，m表示设计域中的各向异性材料种类数，x表示无网格efgm节点坐标矩阵x，bn表示对输入信息进行批量归一化，σ表示对输入数据执行relu激活操作，softmax表示对输入数据执行softmax激活操作，根据预测得到的多材料结构无网格efgm节点相对密度插值得到多材料结构无网格efgm在计算点处的相对密度式中，表示第j种材料在第l个无网格efgm计算点处的相对密度，n表示第l个计算点影响域内的无网格efgm节点数，表示使用全连接前馈神经网络fnn预测得到的第j种材料在第i个无网格efgm节点处的相对密度。

3.根据权利要求1所述基于无网格efgm和fnn的各向异性多材料结构拓扑优化方法，其特征在于根据权利要求1步骤(3)计算得到的无网格efgm节点的位移值u计算结构柔度，计算基于无网格efgm和fnn的各向异性多材料结构的柔度式中，表示第j种各向异性材料在第l个无网格efgm在计算点处的相对密度，...

【专利技术属性】
技术研发人员：张建平，张志强，吴世雄，李依璇，陈嘉宏，卢海山，左志坚，吴淑英，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：